Apodex 1.1

自动研究时间：2026-08-26 09:03（Asia/Shanghai）
来源日期：Hugging Face Daily Papers 页面实际显示 Aug 25，列表最顶部为 Apodex 1.1: Scaling Agentic Intelligence for Complex Work。
研究路径：Daily Papers 列表 -> Hugging Face 详情页 -> arXiv 摘要页 -> 46 页 arXiv v1 PDF 全文、官方 TeX 源与附录案例。

执行摘要

许多大模型能给出一段看似正确的答案，却无法稳定完成一项持续数十分钟、涉及搜索、文件、代码、失败恢复和多份交付物的工作。Apodex 1.1 把这一区别概括为 working capability：智能体需要在不断变化的环境中持续推进，并以可验证的产物而不是最后一条自然语言回复作为成功单位。

论文围绕两条扩展轴组织系统。第一条是 Environment Scaling：构造更多样、更逼真且可重放的 File、Search、Code 可执行环境，让状态变化、工具失败、证据来源和交付验证都进入训练轨迹。第二条是 Agentic Coordination Scaling：训练模型拆解任务、异步委派、合并中间结果、按证据重排计划，并把额外计算集中到关键或有争议的结论上。两者由共同 harness 与 AgentOS 连接；后者维护持久工作区、任务板、依赖与来源图、运行预算、上下文压缩和受控产物发布。

训练上，统一 SFT 先建立推理、工具、恢复和协作的共同交互模式；PIVOT-RL 再从长轨迹中定位真正导致偏航的关键决策，只在保留有效前缀后重训局部续写。实验显示，Agent Team 相比同一模型的 ReAct 在 APEX-Agents、GDPVal、FrontierFinance、FrontierScience-Research 和内部 FrontierSearchBench 上分别提升 4.1、9.3、5.6、8.3 和 12.1 分。35B 的 Apodex 1.1 Mini 也在三个复杂工作基准上明显受益于协作。

不过，这是一篇模型与系统联合技术报告，不是单一算法的受控消融研究。Agent Team 使用更多并行计算，多数表格没有按 token、工具调用或成本做等预算比较；主模型的数据、架构和完整训练配方披露有限；部分基准和评分器由团队内部构建，不同外部模型还混用了官方结果、内部复现与不同 harness。最稳妥的结论是：论文展示了一套围绕“完成且可审计的工作”设计的完整工程栈，并提供了较广的系统级证据；它尚未证明每个组件分别贡献了多少，也没有证明额外协作计算在所有任务上都具有最佳成本收益。

1. 论文基本信息

核心链接：

• Hugging Face 详情页：https://huggingface.co/papers/2608.23283
• arXiv 摘要页：https://arxiv.org/abs/2608.23283
• arXiv HTML 全文：https://arxiv.org/html/2608.23283
• arXiv PDF：https://arxiv.org/pdf/2608.23283
• 官方项目页：https://www.apodex.ai/
• 开源 FrontierAgent：https://github.com/ApodexAI/FrontierAgent
• 模型权重集合：https://huggingface.co/collections/apodex/apodex-11

2. 背景与动机：答案正确不等于工作完成

2.1 长任务的瓶颈在外部状态

短问答把信息集中在 prompt 中，模型给出回复后任务就结束。复杂工作则不断产生外部状态：搜索到的证据要被筛选，代码要运行和修复，文件会被反复修改，中间结论可能使后续分支失效，最终产物还必须满足格式、数值和来源约束。更长的上下文可以保留更多对话，却不能自动保证某个文件仍是权威版本、某项计算可重现，或交付物与实际执行结果一致。

因此，论文没有把能力定义为“在一次回答中表现出更强推理”，而是定义为在长轨迹上持续产生有用、可检查的进展。模型必须同时处理：

1. 目标理解与计划修订；
2. 搜索、文件和代码工具的状态变化；
3. 失败后的局部恢复，而不是清空全部有效工作；
4. 多个并行分支的依赖和冲突；
5. 满足明确交付合同，并让外部验证器可以判断结果。

2.2 论文把“完成的工作”形式化为任务合同

作者把一个可执行任务写成：

其中，$W_0$ 是初始工作区，$q$ 是规范化目标，$\mathcal{A}$ 是可用动作，$\mathcal{T}$ 与 $\Omega$ 分别定义状态转移和观测，$\mathbf{B}$ 是时间、token、工具调用或并发预算，$D$ 是交付合同，$V_D$ 是终局验证器。最终成功值由初始状态、终态和完整执行轨迹共同决定，而不是由最后一条回复的流畅度决定。

这个形式化最有价值的地方，是明确区分了三件经常混在一起的事：用户的原始消息不等于规范化目标；运行中可见的检查结果不等于终局验收；自然语言报告只是工作区中的一种产物，不天然代表任务已完成。

2.3 两种新的扩展轴

传统 scaling 主要增加参数、训练数据或推理计算。论文提出另外两种系统级扩展：

• Environment Scaling 扩展模型能学习和行动的可执行世界分布；
• Agentic Coordination Scaling 扩展模型能在智能体、分支和时间之间组织的有效工作量。

第二条并不等同于“多开几个相同 agent”。论文关心的是中间结果能否及时改变共享计划、失败分支能否被终止、独立证据能否真正约束最终结论，以及额外计算是否投向尚未解决的关键点。

3. 核心贡献

3.1 以可验证交付统一智能体能力

Apodex 1.1 试图在同一策略中组合推理、搜索、文件处理、代码执行、状态维护、失败恢复和交付，而不是为每种工具训练互不相通的专家模式。统一任务合同又把训练、运行、重放和评测接到同一套状态与验证语义上。

3.2 将 File、Search、Code 环境作为训练扩展面

三类环境分别强调不同瓶颈：

论文报告 File world 场景注册表覆盖 33 个领域、318 种职业和 1,208 个交付物簇。难度也不简单等于文件数或页面数：搜索与文件任务使用候选源数量、关键证据跳数和工具预算刻画 acquisition pressure；代码任务则关注依赖深度、状态转移深度、测试可观测性以及失败到验证信号的距离。

3.3 把多智能体协作变成可训练行为

Agent Team 1.1 在 1.0 的按需角色生成之上增加五项机制：

1. 显式 Task Board：记录任务、依赖、负责人、返回证据和解决状态；
2. 异步人工介入：运行中接收新证据、优先级或方法变更，仅失效真正受影响的后代任务；
3. 非对称验证：验证者不重新生成整份答案，而是攻击一个具体主张、来源或合同条款；
4. Adaptive Max Team Effort：只对薄弱、有争议或承重的结论增加独立分支；
5. 证据驱动综合：先构建 claim-evidence graph，再由 writer agent 生成交付物；无法追溯的关键主张会被限定、删除或退回补证。

它把协作的关键变量从“agent 数量”改为“能被持续吸收、验证和重排的有效工作量”。

3.4 用 AgentOS 维护持久执行状态

AgentOS 把工作区写成 $W_t=(F_t,Q_t,C_t,I_t,G_t,K_t)$：文件、检索证据、可执行状态与日志、产物索引、来源依赖图以及可选的协调状态。运行时进一步区分只读输入、普通工作区和最终输出，并把 Task Board 的语义状态与 Agent Bus 的进程状态分开。

论文还处理了几个容易被忽略的工程问题：

• 依据推理端点实际报告的 token 用量触发两级上下文压缩；
• 软截止时间到来时先让 agent 汇总已有成果，再用受限的无工具调用完成收尾；
• 暂停、异常和超时后保留已完成观测、文件和子任务报告；
• 最终发布采用单 publisher lease 与精确 manifest，拒绝未声明、陈旧或空文件冒充交付物。

3.5 PIVOT-RL 把信用分配集中到关键错误点

长轨迹的最终成败很难说明中间哪一步需要改变。PIVOT-RL 用后见分析找出 pivot：模型开始采用无效策略、依据不足、错误调用工具或未修正假设的关键位置。训练保留此前有效的轨迹前缀，恢复对应环境状态，再提供一个只用于引导局部修复、不会成为预测目标且推理时不存在的短提示。

这种局部续写与无提示的完整任务混合训练，目标是在不浪费有效前缀的情况下改善真正有后果的决策。不同长度的文件、搜索、代码和协作轨迹异步进入优化，不必等待最慢 episode 一起结束。

4. 方法详解

4.1 Environment Scaling 不是“生成更多 prompt”

每条轨迹都需要不可变 world manifest、全新可变 sandbox、稳定路由和独立 verifier。重放记录包含世界 seed、生成器和工具版本、动作与观测、文件差异、验证器版本以及终止原因。只有初始状态可重建、执行隔离且验证器可重放的轨迹，才进入训练。

论文把环境构造原则概括为“forward cheap, inverse expensive”：生成器利用隐藏状态或参考程序廉价构造一个世界，agent 只能看到渲染后的文件与接口，需要在有限预算内逆向找出权威路径。这样可以扩大环境数量，同时保留可检查的答案来源。

4.2 任务板是外部记忆，也是完成门禁

Task Board 的条目有稳定 ID、目标、依赖、负责人、证据或产物引用，以及 open、in_progress、resolved、cancelled 状态。运行时进程则有 created、queued、running、reported 等事实状态。一个 subagent 已报告不代表任务已解决；协调者可能因结果不完整或待验证而保持任务开放。

在启用 planning mode 时，协调者先受限于只读检查和任务板操作；结束规划后才能委派和写文件。最终回复前，所有活动任务必须解决或取消，且至少运行一个委派分支和一个独立验证者。任务板因此不仅展示计划，还约束运行时能否宣告完成。

4.3 人工介入如何避免全盘重启

如果用户只修正事实、优先级、方法或增加证据，而目标与验收合同不变，系统只修改相关任务、失效依赖它们的后代，并保留不受影响的成果。如果用户改变了目标或交付要求，则建立新的任务合同，同时继承仍然有效的工作区状态。

这一机制比“开始前问完所有问题”更符合真实研究：很多澄清只有在查到新证据后才会出现。论文也训练了进度询问、暂停恢复、取消分支和无关插问等情况，使协调者能短暂响应用户而不停止其他正在执行的分支。

4.4 验证为何需要非对称

让同能力模型完整重做一次任务，常常只是产生第二条同样开放、同样可能错误的叙事。Apodex 把验证任务缩窄为：给定某个主张、支撑证据和交付条款，寻找反例、用不同来源三角验证，检查原子化的日期、数字、公式，或执行格式与规格测试。

验证返回的是可行动信号：哪条主张被挑战、反证是什么、需要修复哪项任务。它可以重新打开一个 task board 条目，而不是用一篇新的自由文本覆盖已有证据。

4.5 受控发布降低“说已完成但文件不对”的风险

普通 agent 只能在工作区生产候选文件，只有获得 lease 的发布者能向输出区写入声明清单。结束时，系统把每个文件与获得 lease 时的 baseline 对比，避免旧文件、空文件或同名残留通过验收；最终文字中的交付声明也必须被 manifest 覆盖。

这是很实用的设计，但它不是操作系统级安全边界。论文明确说明，保护只覆盖 AgentOS 内置文件和 shell 写入面；无法解析目标路径的命令会被拒绝，条件允许时才叠加 mount 级限制。

5. 实验设计

5.1 两种运行模式

• ReAct 使用最小编排，主要观察底层模型的推理与工具策略；
• Agent Team 允许动态创建 subagent、并行工作、局部验证和计划修订，衡量更多有组织计算带来的系统收益。

论文提醒，在线产品中的专用证据综合阶段没有用于离线评测。因此公开表格衡量的是模型与 Agent Team 编排，不完全覆盖产品端的最终报告流水线。

5.2 公开基准

评测覆盖专业工作、金融、科学研究、通用推理、深度搜索、数学和软件工程。表格中的对照来源并不完全一致：有些来自官方或论文报告，有些由 Apodex 团队在自家 harness 中复现。GDPVal 的外部模型和 Claude Opus 5 的 APEX-Agents 结果属于内部复现，其他列又可能使用基准官方结果。

5.3 内部基准与过程评测

• FrontierSearchBench：41 个答案稳定、可验证的结构化深度搜索任务，对错误断言给负分；
• FrontierResearchBench：97 个跨材料、化学、生命科学、医学影像和计算模拟的可执行研究任务，必须交付代码、数据、图表和报告的完整一致集合；
• HDS6：从状态连贯性、证据保真、假设管理、边界与失败推理、工具与执行状态、自我纠错六方面评估过程，共 24 个条目；若发现伪造工具结果或虚构未执行动作，整条轨迹直接归零。

6. 核心实验结果

6.1 Agent Team 在复杂工作上普遍高于 ReAct

这些数字支持两个层次的变化。Apodex 1.1 ReAct 相比 1.0 已显著提升，说明底层策略不只是依靠多 agent 包装；Agent Team 进一步带来增益，说明至少在这些任务上，模型能利用额外的分解、并行和验证计算。

但表格没有提供等 token、等工具调用或等美元成本对照。Agent Team 的收益是“更多且经过组织的计算”与协作策略的联合结果，不能仅归因于协作架构，也不能直接证明其单位成本更高效。

6.2 35B Mini 的效率结果

35B 模型在三个基准上分别从 ReAct 到 Agent Team 提升 10.2、6.7 和 3.5 分。它在论文选取的对照中达到部分前沿系统的成绩区间，说明环境训练和协作并非只对最大模型有效。由于多个闭源系统未公开参数量，论文谨慎使用“performance band”，而不是声称严格的同规模领先。

6.3 数学和代码结果显示能力并非只来自搜索

在 MathArena 协议下，Agent Team 在 IMO 2025、IMO 2026 和 USAMO 2026 分别取得 36.5、30.5 和 26.5，超过论文列出的 35、29 和 25 参考门槛；同一模型的 ReAct 分别为 24.3、18.5 和 16.0。IMO-ProofBench Basic / Advanced 从 ReAct 的 80.0 / 46.4 提升到 96.7 / 63.3。

代码方面，Apodex 1.1 在 Terminal-Bench 2.1 为 70.8，在 SWE-bench Verified 为 77.7。它说明系统具备仓库与终端执行能力，但这两项在论文列出的对照中仍落后于最强结果，因此不应把“复杂工作总体进入领先区间”泛化为每个子领域都领先。

6.4 内部评测既展示强项，也暴露难点

FrontierSearchBench 上，ReAct 平均分为 57.0，Agent Team 达到 69.1，正分任务比例从 75.6% 升到 87.8%，零分比例从 19.5% 降到 9.8%。这是协作对结构化取证最强的结果之一。

FrontierResearchBench 的门槛更严格：任何要求未满足都不算通过。Apodex 1.1 Agent Team + FrontierAgent 通过率为 12.4%，Apodex 1.1 + Claude Code 为 10.3%；GPT-5.6-Sol + Codex 和 Grok-4.6 + Claude Code 均为 20.6%。这表明系统离稳定完成全套科研工作流仍有明显距离，同时也显示即便最强对照的完整通过率仍低。

6.5 HDS6 关注成功背后的过程

HDS6 把多个 agent 的工具调用和返回结果按时间拼成执行日志，再由分工的映射、判断、复核和仲裁阶段评分。Apodex 1.1 相比 1.0 最大的单项变化是 Initial Decomposition +1.3 和 Final Verification +0.8，证据保真与假设管理也有改善。

不过，三个 HDS6 面板在模型规模、任务族、运行模式和采样数上不同；其中 Deep Discover 的 1.0 是八次运行聚合，1.1 只有一次。论文明确要求只做面板内系统比较，不应把它解释为严格匹配的单变量消融。

7. 三个端到端案例带来的信息

7.1 分子模拟：恢复能力强，但交付仍有已知缺陷

第一个案例要把六链蛋白转为 Martini 3 粗粒化模型，构造含三份蛋白、盐和水的系统，并完成能量最小化。环境起初没有 GROMACS，团队最终通过工作区中的 conda-forge 构建和包装器恢复工具链。后续验证发现 PDB 盒尺寸单位错误、3,309 个溶剂 bead 超出周期盒、epsilon_r = 15 遗漏，并重跑最小化；最终 63,484 个粒子的 em.tpr 坐标与 ionized.gro 完全一致。

但结果并不完美：粗粒化模型有 131 个残基序列差异且三条链内部重新编号，任务约束又禁止修改对应文件。团队选择公开缺陷而非隐藏它。这个案例更能证明“保留进展、局部修复和显式边界”，不能被当成科学模型完全正确的证明。

7.2 荧光图像：验证者解决的是定义冲突

两个测量 agent 对“intensity”采用不同定义，同一组图片得到相反结论：按各自阳性 mask 的均值几乎无组间差异；按共同组织 ROI 的通道均值则显示 Control 约为 Experimental 的 2.4 倍。独立验证者重跑两套脚本、跨多个阈值做敏感性分析，最终选择后者，因为它保留了阳性面积差异且对合理 ROI 更稳定。

最终 Welch 检验为 $P=0.0593$，Cohen’s $d=2.84$，每组只有 3 张图。报告没有把大效应写成显著差异。这展示了非对称验证的价值：真正的问题不是算术，而是测量定义和稳健性。

7.3 WGCNA：接口完整不等于原生脚本已验证

第三个案例从 6,000 个基因和 50 头猪的样本开始，过滤到 5,983 个，再选 5,000 个构建网络，输出 20 个要求文件。没有候选 soft threshold 达到 $R^2\ge0.85$，所以选择 power 20 是最大拟合度 0.8486 的 fallback，而不是满足标准。最终产生 10 个模块和 437 条 hub candidate 记录。

关键限制是 sandbox 不能运行 R：数值由等价实现计算并交叉检查，analysis.R 作为复现路径交付，却没有端到端执行。这个案例提醒我们，文件数量、schema 完整和跨产物一致性都不能替代原生运行环境中的最终复现。

8. 局限与证据边界

8.1 模型与训练透明度不足以独立复现

报告详细描述了系统协议、环境和评测，却没有完整公开主模型的架构表、数据配比、训练 token、RL 超参数、训练成本以及关键 SFT 配方。35B Mini 有开放权重，但不能据此重建主模型或严格复现表中全部结果。

8.2 系统组件缺少充分因果消融

Environment Scaling、Agent Team、AgentOS、统一 SFT、PIVOT-RL、异步优化和验证机制同时变化。主要对照是 1.0、1.1 ReAct 和 1.1 Agent Team，无法分别识别环境数量、环境质量、模型训练、任务板、非对称验证或运行时恢复各自贡献。

8.3 协作收益没有成本归一化

Agent Team 明确增加并行 agent 和 organized computation，但主表主要报告任务分数，没有同步报告平均 token、工具调用、运行时间、峰值并发和成本。对于生产部署，4 分的提升是否值得数倍调用量，需要任务级成本曲线而不是只看最终排名。

8.4 基准与 harness 的可比性不完全统一

部分外部成绩来自官方报告，部分由作者内部复现；FrontierSearchBench、FrontierResearchBench 与 HDS6 又由团队自建。FrontierResearchBench 的不同模型运行在 Codex、Claude Code 或 FrontierAgent 上，harness 本身会影响结果。因此，这些表格最适合判断系统所在区间和内部版本变化，不宜当作严格的模型单体排行榜。

8.5 评测中的 judge 仍是潜在误差源

FrontierSearchBench 使用固定 judge panel 对齐结构化主张，FrontierResearchBench 在定性科学判断上使用 GPT-5.6-Sol，再由任务 Grader 汇总。它们比单一自由文本 judge 更受约束，但仍未消除模型判断偏差。独立代码检查最强，来源对齐次之，开放语义评审的证据强度最低。

8.6 AgentOS 尚不是可恢复的分布式事务系统

Task Board 和 Agent Bus 保存在 worker 进程中，不能与工作区文件系统原子 checkpoint；进程重启后的历史状态恢复和文件回滚不在当前合同内。恢复执行只能看到当前文件，无法回到任意旧 turn。对于数小时或数天的高价值任务，这仍是明显可靠性缺口。

8.7 高风险领域仍需要人类复核

论文明确表示，运行时合同只保证状态、执行与发布边界，不保证来源、计算、科学方法或最终结论正确。金融、法律、医学和科研案例即使通过格式与一致性检查，也需要领域专家审查方法假设、数据质量与现实后果。

9. 应用影响

9.1 研究与知识工作智能体

最直接的启示是把报告生成放到工作流末端。系统应先维护结构化任务板、证据图、计算产物和验证结论，再由 writer agent 组织语言。这样可减少长任务中“早期证据在最终上下文里消失”以及“最后一条 subagent 消息劫持结论”的问题。

9.2 软件工程智能体

File / Code world 的状态合同、独立测试、基线快照和单 publisher 机制可直接映射到代码 agent：输入只读、修改在隔离 worktree、测试与 verifier 不可由 solver 改写、最终提交只包含声明清单。相比单纯追加 prompt 规则，这些运行时约束更容易审计。

9.3 科学计算平台

科学任务不应只验收 PDF 报告，还应同时检查原始数据映射、可执行脚本、数值表、图片和叙述是否相互一致。FrontierResearchBench 只有全要求满足才通过的做法很严格，却更接近真实科研交付。

9.4 企业多智能体编排

显式任务板、进程事实与语义完成分离、人工实时改向，以及对关键主张动态增加验证，都适合合规、投研和专业服务。真正值得复用的不是固定角色列表，而是能追踪依赖、让中间结果改变后续工作并停止无效分支的控制面。

9.5 模型训练团队

PIVOT-RL 提供了一种长轨迹数据利用思路：不要把晚期失败之前的有效工作全部丢弃，也不要只依赖终局奖励重训整条轨迹。保存关键状态、定位有后果的错误并重训局部续写，可能比盲目增加完整 rollout 更高效；但论文还需要更细的 ablation 才能量化这一收益。

10. 相关工作

10.1 推理与工具调用

ReAct 建立 reasoning-action-observation 循环，Toolformer 研究模型如何学习调用外部 API。Apodex 的区别在于把这些动作放进持续状态、交付合同和终局验证器中，使工具使用服务于可检查产物而不是一次回答。

10.2 可执行环境与真实工作

WebArena、WorkArena、BrowserGym、OSWorld、SWE-bench、SWE-agent、Terminal-Bench 和 APEX-Agents 都把智能体放入可执行网页、桌面、仓库或专业文件环境。Apodex 进一步把环境同时用于任务生成、训练轨迹、重放和评测，并强调 File、Search、Code 三类世界的组合。

10.3 深度研究与科学智能体

OpenAI Deep Research、Claude Research、Kimi-Researcher、WebThinker、DeepResearcher、WebDancer、WebSailor 和 Tongyi DeepResearch 关注多步检索与综合；ChemCrow、AI Scientist、AI co-scientist 则把工具与协作延伸到科学过程。Apodex 选择通用模型与运行时路线：科研是重点场景，但同一策略也用于金融、文件与软件工程。

10.4 多智能体与测试时扩展

AutoGen、MetaGPT、ChatDev、AgentVerse 和 multi-agent debate 研究对话、固定角色、辩论或协作。Apodex 更强调异步分支、阶段性返回、显式共享状态、用户介入和动态终止；它也承认更多 agent 并非总有价值，前提是任务可分解且结果能可靠合并。

10.5 验证、过程监督与环境扩展

Self-Refine、Reflexion、Chain-of-Verification 和过程奖励模型分别从自反馈、记忆、独立问题和中间步骤评分改善可靠性。Environment Scaling、ScaleEnv、Agent-World、TaskCraft、Search-R1、RAGEN、ROLL 等工作则扩展交互世界或多轮 RL。Apodex 的组合点是：用同一任务合同把环境验证、产物来源、主张复核、异步协作和训练反馈闭环连接起来。

11. 综合判断

Apodex 1.1 最重要的贡献不是某个全新的 Transformer 模块，而是把 agentic intelligence 的优化对象从“回答”改为“完成的工作”。围绕这个目标，论文给出了相互咬合的系统设计：可执行环境产生真实状态与失败，任务板组织并行工作，AgentOS 保存权威状态和控制发布，非对称验证约束关键主张，SFT 与 PIVOT-RL 再把这些行为写回模型策略。

证据最强的部分，是同一 1.1 模型从 ReAct 到 Agent Team 在多个复杂工作基准上的一致提升、35B Mini 的跨任务收益，以及三个案例对冲突、修复和残余限制的完整披露。证据较弱的部分，是每个组件的独立因果贡献、协作的单位成本收益、内部基准的外部可复现性，以及主模型训练配方的透明度。

因此，这篇论文更适合作为“如何构建长期、可审计 AI 工作系统”的架构蓝图，而不是一份已经证明所有组件最优的算法论文。它清楚指出下一阶段的关键问题：统一计算预算下的协作效率、可原子恢复的跨进程状态、独立复现的环境与验证器，以及从格式一致性进一步走向方法和领域结论的可信验证。

参考资料

1. Apodex Team. Apodex 1.1: Scaling Agentic Intelligence for Complex Work, arXiv:2608.23283, 2026.
2. Hugging Face. Paper detail: arXiv 2608.23283.
3. Hugging Face. Daily Papers, 页面抓取时显示 2026-08-25。
4. Apodex. FrontierAgent, open-source research workbench.
5. Shunyu Yao et al. ReAct: Synergizing Reasoning and Acting in Language Models, 2022.
6. Timo Schick et al. Toolformer: Language Models Can Teach Themselves to Use Tools, 2023.
7. Shehzaad Dhuliawala et al. Chain-of-Verification Reduces Hallucination in Large Language Models, 2023.
8. Carlos E. Jimenez et al. SWE-bench: Can Language Models Resolve Real-World GitHub Issues?, 2023.
9. Tianbao Xie et al. OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments, 2024.